XiaoMi-AI文件搜索系统
World File Search SystemClu
从聚类效应角度解释神经网络的对抗鲁棒性
对抗训练（AT）是提高深度神经网络鲁棒性的最常用机制。最近，一种针对中间层的新型对抗攻击利用了对抗训练网络的额外脆弱性，输出错误的预测。这一结果说明对抗训练中对抗扰动的搜索空间不足。为了阐明中间层攻击有效的原因，我们将前向传播解释为聚类效应，表征神经网络对于与训练集具有相同标签的样本的中间层表示相似，并通过相应的信息瓶颈理论从理论上证明了聚类效应的存在。随后我们观察到中间层攻击违反了 AT 训练模型的聚类效应。受这些重要观察的启发，我们提出了一种正则化方法来扩展训练过程中的扰动搜索空间，称为充分对抗训练（SAT）。我们通过严格的数学证明给出了经过验证的神经网络鲁棒性界限。实验评估表明，SAT 在防御针对输出层和中间层的对抗性攻击方面优于其他最先进的 AT 机制。我们的代码和附录可以在 https://github.com/clustering-effect/SAT 找到。
气候变化对农业生产的影响的聚类分析
气候变化对全球农业生产力和粮食安全构成了重大威胁。气候变化对农作物产量的影响变得越来越明显，尤其是在严重依赖农业生存的发展和低收入国家。这些地区通常缺乏有效适应所需的基础设施，使其特别容易受到与气候相关的破坏的影响。本研究研究了气候变化与农业之间的复杂关系，突出了温度变化，降水模式的变化。这项研究主要侧重于通过应用聚类技术来检查气候变化对农业的影响。具体来说，它旨在探索各种气候和农业因素之间的关系，例如作物产量，经济影响和适应策略。使用无监督的机器学习方法，该研究分析了一个数据集，其中包含温度，降水，二氧化碳排放，灌溉通道，土壤健康指数和适应策略等特征。聚类算法（包括K-均值，DBSCAN和聚集聚类）被采用，将数据分组为不同的集群，从而揭示了不同地区和农业实践如何受到气候变化影响的模式。此外，该研究强调了较高的作物产量与增加的经济利益之间的联系。使用轮廓分数评估每个模型的聚类性能，以测量簇的质量。
logistics cluster_operation_conops_yyddmm_v.1.0
•物流集群邮件列表当前有1,351个成员。所有当前活动和更新均通过邮件列表共享，并带有指向网站的链接。合作伙伴可以通过网页顶部的“订阅”按钮订阅邮件列表，或通过与物流群集团队联系：sdn.Response.logcoordination@wfp.org
心脏转录组轮廓的聚类揭示了独特的
心脏转录组轮廓的聚类揭示了独特的：扩张的心肌病患者的亚组。verdonschot，J.A.J。;王，ping； Derks，K.W.J。; Adriaens，M.E。; Stroeks，S.L.V.M.;亨肯斯（M.T.H.M.）; RAAFS，A.G。；锡金Koning，B。de； Wijngaard，A。VanDen； Krapels，I.P.C。;纳本（M。） Brunner，H.G。; Heymans，S.R.B。2023，给编辑的文章 /信（JACC-BASIC to Translatitation Science，8，4，（2023），pp。< / div>406-418）
当前用途：o Westside Booster Club使用
✔降低维护需求 - 与天然草不同，无需进行持续的灌溉，重新灌输或所需的充气。 ✔水有效 - 比天然田地需要更少的水。 ✔扩展可用性 - 可以在所有季节中使用，以支持多种运动。 ✔耐用性 - 大量使用没有土壤压实。 ✔抗气 - 可以在降雨后不久进行。✔降低维护需求 - 与天然草不同，无需进行持续的灌溉，重新灌输或所需的充气。✔水有效 - 比天然田地需要更少的水。✔扩展可用性 - 可以在所有季节中使用，以支持多种运动。✔耐用性 - 大量使用没有土壤压实。✔抗气 - 可以在降雨后不久进行。
通过图形卷积网络通过深层潜在位置模型聚类
随着个体通过数字平均值的显着相互作用的显着增加，图中节点的聚类已成为分析大型和复杂网络的一种基础方法。在这项工作中，我们提出了深层的位置模型（DEEPLPM），这是一种端到端的生成聚类方法，将广泛使用的潜在位置模型（LPM）与图形卷积网络（GCN）编码策略相结合。此外，还引入了一种原始估计算法，以通过变异推理和使用随机梯度下降进行图形重建来整合后聚类概率的明确优化。在模拟场景上进行的数值实验突出了DeepLPM自养生的能力，以选择簇数量的较低限制，这表明其聚类能力与最先进的方法相比。最后，DEEPLPM进一步应用于Merovingian Gaul的教会网络和引文网络Cora，以说明探索大型且复杂的现实世界网络的实际兴趣。
CD3E（T细胞标记）抗体
使用簇蛋白 / apoj小鼠单克隆抗体（CLU / 4729）的蛋白阵列分析含有19,000多个全长人蛋白。z-和s得分：z-分数表示单克隆抗体（MAB）（与荧光标记的抗IGG二抗二抗）的信号的强度，当与HuprottM阵列上的特定蛋白质结合时会产生。z得分以标准偏差（SD）的单位（SD）的平均值来描述。该数组上生成的所有信号的平均值。如果huprottm上的目标按z得分的降序排列，则s得分是z得分之间的差异（也以SD的单位为单位）。s得分表示mAb与其预期目标的相对目标特异性。如果mAb的S分数至少为2.5，则将mAb视为特定于其预期目标的mAb。例如，如果mAb与Z得分为43的蛋白X与Z-SCORE 14的蛋白质Y结合，则该mAb与蛋白质X结合的s分数等于29。
用于高效近传感器数据分析的低功耗跨精度浮点集群
摘要 — 低功耗（1-20 mW）近传感器计算的最新应用需要采用浮点算法来协调高精度结果和宽动态范围。在本文中，我们提出了一种低功耗多核计算集群，该集群利用跨精度计算的细粒度可调原理，以最低的功率预算为近传感器应用提供支持。我们的解决方案基于开源 RISC-V 架构，将并行化和子字矢量化与专用互连设计相结合，能够在内核之间共享浮点单元 (FPU)。在此架构的基础上，我们提供了全面的软件堆栈支持，包括并行低级运行时、编译工具链和高级编程模型，旨在支持端到端应用程序的开发。我们对周期精确的 FPGA 仿真器上的跨精度集群的设计空间进行了详尽的探索，并改变了内核和 FPU 的数量以最大限度地提高性能。正交地，我们进行了垂直探索，以确定在非功能性要求（工作频率、功率和面积）方面最有效的解决方案。我们对一组代表近传感器处理域的基准进行了实验评估，并通过对功耗进行布局布线后分析来补充时序结果。与最先进的技术相比，我们的解决方案在能源效率方面优于竞争对手，在单精度标量上达到 97 Gflop/s/W 的峰值，在半精度矢量上达到 162 Gflop/s/W。最后，一个实际用例证明了我们的方法在满足精度约束方面的有效性。
探索获得性脑损伤后认知触发性异质性：提示理解的聚类分析
Natacha Cordonier，Marion Fossard，YvesTillé，Maud Champagne-Lavau。探索获得性脑损伤后认知务实的异质性：提示理解的聚类分析。《美国语言病理学杂志》，2023，32（6），第2752-2767页。10.1044/2023_AJSLP- 22-00389。hal-04330850